Memahami AI (11-14)

Terokailah glosari AI!

Glosari istilah AI

Dikemas kini: 8 Jul 24

Pelajaran

Perkenalkan AI dan pembelajaran mesin kepada pelajar berumur 11 hingga 14 tahun secara jelas dan bertanggungjawab melalui modul 4 pelajaran yang menarik ini.

Gambaran keseluruhan unit

Dikemas kini: 13 Nov 26

Graf pembelajaran

Dikemas kini: 13 Nov 26

Modul 1 - Penilaian sumatif

Dikemas kini: 13 Nov 26

Modul 1 - Jawapan penilaian

Dikemas kini: 13 Nov 26

Glosari pelajar

Dikemas kini: 13 Nov 26

Modul 1 - Pelajaran 1: Apakah itu AI?

Pelajar akan diperkenalkan dengan istilah 'Kecerdasan Buatan' (AI) dan lengkapkan aktiviti-aktiviti untuk menerangkan apakah itu AI, apakah bukan AI, dan bagaimana sistem AI boleh digunakan untuk memberi manfaat kepada masyarakat. Mereka akan digalakkan untuk menganalisis bahasa yang digunakan untuk menerangkan AI dan cara untuk menggunakan istilah teknikal yang sesuai.

Lihat sumber

Modul 1 - Pelajaran 2: Pembelajaran mesin

Di dalam pelajaran ini, pelajar akan belajar cara menerangkan perbezaan antara pendekatan dipacu-data dan berasaskan peraturan untuk menyelesaikan masalah. Mereka akan meneroka bagaimana sistem pembelajaran mesin dicipta menggunakan pendekatan dipacu-data, termasuk pembelajaran diselia.

Lihat sumber

Modul 1 - Pelajaran 3: Pengelasan

Pelajar akan meneroka bagaimana model Pembelajaran Mesin (ML) dibina menggunakan pembelajaran diselia. Mereka akan membina pemahaman mereka bagaimana data latihan dilabel untuk melatih model pengelasan dengan berinteraksi dengan Quick, Draw! sebuah alat AI interaktif. Akhirnya, mereka akan menilai bagaimana skor keyakinan digunakan di dalam ramalan model ML

Lihat sumber

Modul 1 - Pelajaran 4: Bias masuk, bias keluar

Pelajar akan meneroka bagaimana bias boleh muncul di dalam model pembelajaran mesin disebabkan oleh data yang digunakan untuk melatih mereka. Mereka akan membina model pembelajaran mesin sendiri untuk mengelaskan gambar-gambar epal dan tomato, dan menemui bagaimana dataset yang terhad boleh menyebabkan berlakunya bias dan ramalan yang kurang tepat. Akhirnya, mereka akan menyiasat dua jenis bias yang boleh muncul di dalam data latihan.

Lihat sumber